
# Загрузим необходимые библиотеки
!pip install plotly.express
import pandas as pd
import numpy as np
import seaborn as sns
import plotly.express as px
from plotly import graph_objects as go
import matplotlib.pyplot as plt
import re # Для работы с регулярными выражениями

Requirement already satisfied: plotly.express in c:\users\sergey\anaconda3\lib\site-packages (0.4.1)
Requirement already satisfied: scipy>=0.18 in c:\users\sergey\anaconda3\lib\site-packages (from plotly.express) (1.5.2)
Requirement already satisfied: patsy>=0.5 in c:\users\sergey\anaconda3\lib\site-packages (from plotly.express) (0.5.1)
Requirement already satisfied: statsmodels>=0.9.0 in c:\users\sergey\anaconda3\lib\site-packages (from plotly.express) (0.12.0)
Requirement already satisfied: plotly>=4.1.0 in c:\users\sergey\anaconda3\lib\site-packages (from plotly.express) (5.8.2)
Requirement already satisfied: numpy>=1.11 in c:\users\sergey\anaconda3\lib\site-packages (from plotly.express) (1.19.2)
Requirement already satisfied: pandas>=0.20.0 in c:\users\sergey\anaconda3\lib\site-packages (from plotly.express) (1.1.3)
Requirement already satisfied: six in c:\users\sergey\anaconda3\lib\site-packages (from patsy>=0.5->plotly.express) (1.15.0)
Requirement already satisfied: tenacity>=6.2.0 in c:\users\sergey\anaconda3\lib\site-packages (from plotly>=4.1.0->plotly.express) (8.0.1)
Requirement already satisfied: python-dateutil>=2.7.3 in c:\users\sergey\anaconda3\lib\site-packages (from pandas>=0.20.0->plotly.express) (2.8.1)
Requirement already satisfied: pytz>=2017.2 in c:\users\sergey\anaconda3\lib\site-packages (from pandas>=0.20.0->plotly.express) (2020.1)


# Загрузим данные в датафрейм rest_data
# Импорт библиотек
from io import BytesIO
import requests
spreadsheet_id = '1LOF07PD14C8CeqdCGhDCxdlxGjcz6khslpUro8Ij8IM'
file_name = 'https://docs.google.com/spreadsheets/d/{}/export?format=csv'.format(spreadsheet_id)
r = requests.get(file_name)
rest_data = pd.read_csv(BytesIO(r.content))
display(rest_data.head()) # Выведим первые 5 строк датасета


rest_data.info() #Изучим данные

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 15366 entries, 0 to 15365
Data columns (total 6 columns):
 #   Column       Non-Null Count  Dtype 
---  ------       --------------  ----- 
 0   id           15366 non-null  int64 
 1   object_name  15366 non-null  object
 2   chain        15366 non-null  object
 3   object_type  15366 non-null  object
 4   address      15366 non-null  object
 5   number       15366 non-null  int64 
dtypes: int64(2), object(4)
memory usage: 720.4+ KB


# Проверим дубликаты
rest_data[rest_data.duplicated()].count()

id             0
object_name    0
chain          0
object_type    0
address        0
number         0
dtype: int64


# Код ревьюера

rest_data[rest_data.drop('id', axis=1).duplicated(keep=False)].sort_values(by='object_name')


# Посмотрим уникальные значений в каждой из колонок, кроме id - где все значений уникальны
rest_data['object_name'].value_counts()

Столовая                                      267
Кафе                                          236
Шаурма                                        234
KFC                                           155
Шоколадница                                   142
                                             ... 
ИБИС китчен                                     1
Столовая МАИ                                    1
СТОЛОВАЯ-ДОГОТОВОЧНАЯ ПРИ ШКОЛЕ 1137            1
СТОЛОВАЯ-ДОГОТОВОЧНАЯ ШКОЛЫ-ИНТЕРНАТА № 16      1
Столовая ГБОУ Курчатовская школа                1
Name: object_name, Length: 10393, dtype: int64


rest_data['chain'].value_counts()

нет    12398
да      2968
Name: chain, dtype: int64


rest_data['object_type'].value_counts()

кафе                                 6099
столовая                             2587
ресторан                             2285
предприятие быстрого обслуживания    1923
бар                                   856
буфет                                 585
кафетерий                             398
закусочная                            360
магазин (отдел кулинарии)             273
Name: object_type, dtype: int64


rest_data['address'].value_counts()

город Москва, Ходынский бульвар, дом 4                95
город Москва, Пресненская набережная, дом 2           63
город Москва, проспект Мира, дом 211, корпус 2        60
город Москва, Кировоградская улица, дом 13А           53
город Москва, площадь Киевского Вокзала, дом 2        48
                                                      ..
город Москва, улица Генерала Дорохова, дом 5           1
город Москва, Псковская улица, дом 13                  1
город Москва, улица Солянка, дом 12-14, строение 1     1
город Москва, проспект Мира, дом 224                   1
город Москва, Заповедная улица, дом 22                 1
Name: address, Length: 9108, dtype: int64


rest_data['number'].value_counts()

0      1621
40      835
20      727
30      685
10      644
       ... 
491       1
675       1
455       1
167       1
495       1
Name: number, Length: 315, dtype: int64


rest_data['number'].describe()

count    15366.000000
mean        59.547182
std         74.736833
min          0.000000
25%         12.000000
50%         40.000000
75%         80.000000
max       1700.000000
Name: number, dtype: float64


# Сгруппируем данные по типам объектов общепита
# и построим столбчатую диаграмму по данным сгруппированым типам объектов общепита
object_type_fig = px.bar(rest_data.groupby('object_type').count().reset_index().sort_values(by='id', ascending=False),
                y='id', # зададим ось Y 
                x='object_type', # зададим ось Х 
                text='id', # зададим подписи данных 
                title='Количество объектов по типу заведения',  # зададим заголовок диаграммы 
                labels={'id':'Количество объектов, ед.','object_type':'Тип объекта'}) # зададим подписи осей 
object_type_fig.update_yaxes(range=[0, 7000])
object_type_fig.update_traces(textposition="outside")


object_type_fig.update_layout(
    xaxis=dict(
        tickmode='array',
        tickvals=rest_data.groupby('object_type').count().reset_index().sort_values(by='id', ascending=False)['object_type'],
        ticktext=rest_data.groupby('object_type').count().reset_index().sort_values(by='id', ascending=False)['object_type'].apply(lambda x : '<br>'.join(x.split()))
    )
)

object_type_fig.show()


# Заменим "да" и "нет" в описание относится ли заведение к сетям, соответсвенно на "сетевые" и "несетевые" 
# использовав метод .map
new_name = {'да': 'сетевые', 'нет': 'несетевые'}
rest_data['chain'] = rest_data['chain'].map(new_name)
rest_data['chain'].value_counts()

несетевые    12398
сетевые       2968
Name: chain, dtype: int64


# Построим столбчатую диаграмму по данным сгруппированым по принадлежности к сетям
chain_fig_bar = px.bar(rest_data.groupby('chain')['id'].count().reset_index().sort_values(by='id', ascending=False),
                y='id', # зададим ось Y
                x='chain', # зададим ось Х 
                text='id', # зададим подписи данных
                color = 'chain',       
                title='Количество объектов по типу заведения', # зададим заголовок диаграммы
                labels={'id':'Количество объектов, ед.','chain':'Тип'}) # зададим подписи осей
chain_fig_bar.update_yaxes(range=[0, 13200])
chain_fig_bar.update_traces(textposition="outside")
chain_fig_bar.show()


# Построим круговую диаграмму по данным сгруппированым по принадлежности к сетям
chain = rest_data.groupby('chain')['id'].count().reset_index().sort_values(by='id', ascending=False)
chain_fig_pie = go.Figure(data=[go.Pie(labels=chain['chain'], values=chain['id'])])
chain_fig_pie.update_layout(legend_orientation="h")
chain_fig_pie.show()


# Определим для какого типа объектов общественного питания характерно сетевое распространение
# Создадим сводную таблицу 
grouped_chain = rest_data.pivot_table(values = 'object_name', index='object_type', columns=['chain'], aggfunc='count').reset_index()

# Расчитаем долю (ratio) сетевых заведений в каждом из типов 
grouped_chain['ratio'] = (grouped_chain['сетевые']/(grouped_chain['сетевые']+grouped_chain['несетевые'])*100).round(1)

# Построим столбчатую диаграмму 
grouped_chain_fig = px.bar(grouped_chain.sort_values(by='ratio', ascending=False),
                y='ratio',
                x='object_type',
                text='ratio',
                title='Доля сетевых заведений по типам заведений',
                labels={'ratio':'Доля сетевых заведений, %', 'object_type':'Тип объекта'})
grouped_chain_fig.update_yaxes(range=[0, 45])
grouped_chain_fig.update_traces(textposition="outside")
grouped_chain_fig.show()


# Код ревьюера

rest_data.groupby('object_type').agg({'chain' : lambda x : (x == 'сетевые').mean()})


# Сделаем срез данных, включающий только сетевые заведения
network_catering_enterprises = rest_data.query("chain == 'сетевые'")

# На его основе построим сводную таблицу где расчитаем для каждой из сетей 
# число заведений и среднее число посадочных мест
network_catering_enterprises = network_catering_enterprises.pivot_table(
                               index='object_name', 
                               values=['id', 'number'],
                               aggfunc={'id': 'count', 'number': 'mean'}).sort_values(by='id', ascending=False).reset_index() 

print('Максимальное число заведений', network_catering_enterprises['id'].max())
print('Максимальное количество посадочных мест', network_catering_enterprises['number'].max())
display(network_catering_enterprises)

Максимальное число заведений 155
Максимальное количество посадочных мест 356.0


# Постоим Joint plot , чтобы совместить  на одном графике распереление числа завдений и посадочных мест
nce_fug = sns.jointplot(x='number', y='id', data=network_catering_enterprises, color='#4000ff', kind='reg')
nce_fug.fig.set_figwidth(10)
nce_fug.fig.set_figheight(8)
nce_fug.fig.suptitle('Распределение сетевых заведений по количеству объектов и посадочных мест', fontsize=14)

nce_fug.set_axis_labels('Количество посадочных мест, ед.','Количество объектов, ед.', fontsize=10 )
plt.xlim(0,360)
plt.ylim(0,160)
plt.show()


print('3/4 сетей состят из',np.percentile(network_catering_enterprises['id'], [75]), 'заведений')

3/4 сетей состят из [2.] заведений


# Чтото 75% совсем мало завдений имеют - 2 это не сеть, в моём понимании, посмотрим на 95%
print('95% сетей состят из',np.percentile(network_catering_enterprises['id'], [95]), 'заведений')

95% сетей состят из [12.] заведений


print('3/4 сетей имеют', np.percentile(network_catering_enterprises['number'], [75]), 'посадочных мест/-а')

3/4 сетей имеют [83.625] посадочных мест/-а


# 83 долеко отсредлнего, посмотрим медиану
print('Половина сетей имеют', np.percentile(network_catering_enterprises['number'], [50]), 'посадочных мест/-а')

Половина сетей имеют [45.] посадочных мест/-а


def number (i):
    object_count = i['id']
    number_count=i['number']
    if object_count < 12 and number_count < 45:
            return 'мало заведений / мало мест'
    if object_count < 12 and number_count >= 45:
            return 'мало заведений / много мест'
    if object_count >=12 and number_count < 45:
            return 'много заведений/ мало мест'
    if object_count >=12 and number_count >= 45:
            return 'много заведений/много мест'
    
network_catering_enterprises['category'] = network_catering_enterprises.apply(number, axis = 1)
display(network_catering_enterprises.head())


category = network_catering_enterprises.groupby('category').agg({'category':'count'})
display(category)


# Посчитаем среднее число посадочных мест по типу завдения
avg_number_type = rest_data.pivot_table(index='object_type', values='number',
                        aggfunc= {'number': 'mean'}).sort_values(by=('number'), ascending=False).reset_index()
avg_number_type['number'] = avg_number_type['number'].round(1)
display(avg_number_type)


# Посторим диаграмму по этим данным
avg_number_type = avg_number_type.sort_values(by=('number'), ascending=True)
avg_number_fig = px.bar(avg_number_type, 
             x='number', 
             y='object_type',
             text='number',      
             title='Среднее число посадочных мест',
             labels={'number':'Число посадочных мест, ед.', 'object_type':'Тип объекта'}
                       )
avg_number_fig.update_xaxes(range=[0, 140])
avg_number_fig.update_traces(textposition="outside")
avg_number_fig.update_xaxes(tickangle=0)
avg_number_fig.show()


# Выделим адрес, для этого используем рещгулярные выражений - будем искать по родовому имени (улица, аллея, переулок и т.д.)
# Типы улиц взяты с http://mosopen.ru/streets
words = ['улица','ул','переулок','шоссе','проспект','площадь','проезд',
         'село','аллея','бульвар','набережная','тупик','линия', 'просек']

str_pat = r".*,\s*\b([^,]*?(?:{})\b[^,]*)[$|,]+".format('|'.join(words))

rest_data['street'] = rest_data['address'].str.extract(str_pat, flags=re.I)

display(rest_data)


# Подсчитаем количество объектов на каждой улице и отсортируем по убыванию числа объектов
street_object_count = (rest_data.groupby(['street'])
                    .agg({'object_name':'count'})
                    .sort_values(by='object_name', ascending=False)
                    .reset_index()
                   )
street_object_count.rename(columns={'object_name' : 'object_count'}, inplace = True)
# Возмём топ-10 улиц
street_top_10 = street_object_count.head(10)
display(street_top_10)


street_top_10 = street_top_10.sort_values(by=('object_count'), ascending=True)
fig = px.bar(street_top_10, 
             x='object_count', 
             y='street',
             text='object_count',
             title='Топ-10 улиц по числу заведений',
             labels={'object_count':'Число заведений, ед.', 'street':'Улица'}
)
fig.update_xaxes(range=[0, 220])
fig.update_traces(textposition="outside")
fig.update_xaxes(tickangle=0)
fig.show()


# Импорт библиотек
spreadsheet_id = '1o0Rmxii5snYG8fk0Q81p9D5F9bZyslSPOGci7lpQ1Po'
file_name = 'https://docs.google.com/spreadsheets/d/{}/export?format=csv'.format(spreadsheet_id)
r = requests.get(file_name)
moscow_streets = pd.read_csv(BytesIO(r.content))
display(moscow_streets.head())


moscow_streets.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4432 entries, 0 to 4431
Data columns (total 4 columns):
 #   Column      Non-Null Count  Dtype  
---  ------      --------------  -----  
 0   streetname  4432 non-null   object 
 1   areaid      4398 non-null   float64
 2   okrug       4431 non-null   object 
 3   area        4431 non-null   object 
dtypes: float64(1), object(3)
memory usage: 138.6+ KB


moscow_streets[moscow_streets.duplicated()].count()

streetname    8
areaid        8
okrug         8
area          8
dtype: int64


moscow_streets = moscow_streets.drop_duplicates().reset_index(drop=True)
moscow_streets[moscow_streets.duplicated()].count()

streetname    0
areaid        0
okrug         0
area          0
dtype: int64


# Объеденим таблицу с топ-10 улицами с данными о районе и округе
moscow_streets.rename(columns={'streetname':'street'}, inplace = True) # Для объеденения будем использовать поле street
street_top_10 = street_top_10.merge(moscow_streets, on='street', how='left') 
display(street_top_10)


# Проверим не повились ли после объеденения данных пропуски
street_top_10.isna().sum()

street          0
object_count    0
areaid          0
okrug           0
area            0
dtype: int64


# Одна и таже улица попадает в разные районы и даже округа - посмотрим в какие
street_top_10_pivot = street_top_10.pivot_table(index=['okrug', 'area', 'street'], 
                  values='object_count', 
                  aggfunc='max').sort_values(by='object_count', ascending=False)#.reset_index()
display(street_top_10_pivot)


# Посмотрим на самые "протяжённые" улицы - улицы которые проходят по наибольшему числу районов
street_top_10_pivot_2=(street_top_10_pivot.reset_index()
            .groupby('street')['area'].count().reset_index()
            .sort_values(by='area', ascending=False)
            .rename(columns=({'area':'area_count'}))
      
     )
     
display(street_top_10_pivot_2)


# Визуализируем эти данные
street_top_10_pivot_fig = px.bar(
    street_top_10_pivot_2, x='street', 
    y='area_count', 
    title='Число районов, через которые проходит топ-10 улиц', 
    text='area_count',
    labels={'area_count':'Число районов, ед.', 'street':'Улица'}
)
street_top_10_pivot_fig.update_yaxes(range=[0, 9])
street_top_10_pivot_fig.update_traces(textposition="outside")
street_top_10_pivot_fig.update_xaxes(tickangle=45)
street_top_10_pivot_fig.show()


# Для геокодирования использовал Geocode by Awesome Table для гугл-таблиц
# Сохраним в переменную датафрейм с гугл-таблиц с координатами
spreadsheet_id = '1OeSu3Lz15QV0TGJQeD7Ms_3Okr22HQ4kQFgaAJ-ImWk'
file_name = 'https://docs.google.com/spreadsheets/d/{}/export?format=csv'.format(spreadsheet_id)
r = requests.get(file_name)
top_10_geo = pd.read_csv(BytesIO(r.content))
display(top_10_geo.head())


# Сделаем срез данных, включающий только улицы с одним заведением 
single_street =street_object_count.query("object_count == 1")
display(single_street.head())
print('Улиц с одним заведением:', single_street['object_count'].sum())

Улиц с одним заведением: 555


# Подтянем к ним районы и округа
single_street = single_street.merge(moscow_streets, on='street', how='left') 
display(single_street.head())


# В данных есть пропуски, посчитаем их
single_street.isna().sum()

street           0
object_count     0
areaid          34
okrug            1
area             1
dtype: int64


# Сгруппируем "одинокие" улицы по районам
display(single_street['area'].value_counts())

Таганский район           28
Район Хамовники           26
Басманный район           26
Тверской район            21
Пресненский район         20
                          ..
Московский район           1
поселение Десеновское      1
Район Южное Медведково     1
Район Метрогородок         1
Ватутинки                  1
Name: area, Length: 114, dtype: int64


# Топ-10 районов
area_top_10 = single_street['area'].value_counts().reset_index().head(10).rename(columns=({'index':'area','area':'count'}))
display(area_top_10)


# Визуализируем эти данные
area_top_10_fig = px.bar(
    area_top_10, x='area', 
    y='count', 
    title='Топ-10 районов с улицами с одним заведением', 
    text='count',
    labels={'count':'Число заведений, ед.', 'area':'Район'}
)
area_top_10_fig.update_yaxes(range=[0, 30])
area_top_10_fig.update_traces(textposition="outside")
area_top_10_fig.update_xaxes(tickangle=45)
area_top_10_fig.show()


# Посмотрим на "протяжённость" улиц с одним заведеним
area_top_10=(single_street.reset_index()
            .groupby('street')['area'].count().reset_index()
            .sort_values(by='area', ascending=False)
            .rename(columns=({'area':'area_count'})).head(10)
      
     )
     
display(area_top_10)


# Одна и таже улица попадает в разные районы и даже округа - посмотрим в какие
area_top_10_pivot = area_top_10.merge(moscow_streets, on='street', how='left')
area_top_10_pivot = area_top_10_pivot.pivot_table(index=['street', 'okrug', 'area'], 
                  values='area_count', 
                  aggfunc='max').sort_values(by='area_count', ascending=False)#.reset_index()
display(area_top_10_pivot)


# Пермское кафе с роботом Дуняшей
from IPython.display import Image
display(Image(url='https://promo-bot.ru/wp-content/uploads/2022/04/photo_2022-04-20_13-25-55-1.jpg', width = 400))

	object_name	id	number
0	KFC	155	55.341935
1	Шоколадница	141	56.170213
2	Макдоналдс	122	81.500000
3	Бургер Кинг	122	45.016393
4	Домино'с Пицца	86	18.209302
...	...	...	...
719	Кафе «Марукамэ»	1	40.000000
720	Кафе «МЕЛЕНКА»	1	60.000000
721	Кафе «МАКДОНАЛДС»	1	40.000000
722	Кафе «Кулинарное бюро»	1	18.000000
723	ресторан «Якитория»	1	124.000000

	street	object_count
0	проспект Мира	204
1	Профсоюзная улица	182
2	Ленинградский проспект	171
3	Пресненская набережная	167
4	Варшавское шоссе	164
5	Ленинский проспект	147
6	проспект Вернадского	132
7	Кутузовский проспект	114
8	Каширское шоссе	112
9	Кировоградская улица	110

	streetname	areaid	okrug	area
0	Выставочный переулок	17.0	ЦАО	Пресненский район
1	улица Гашека	17.0	ЦАО	Пресненский район
2	Большая Никитская улица	17.0	ЦАО	Пресненский район
3	Глубокий переулок	17.0	ЦАО	Пресненский район
4	Большой Гнездниковский переулок	17.0	ЦАО	Пресненский район

	street	object_count	areaid	okrug	area
0	Кировоградская улица	110	109.0	ЮАО	Район Чертаново Центральное
1	Кировоградская улица	110	108.0	ЮАО	Район Чертаново Северное
2	Кировоградская улица	110	110.0	ЮАО	Район Чертаново Южное
3	Каширское шоссе	112	101.0	ЮАО	Район Москворечье-Сабурово
4	Каширское шоссе	112	102.0	ЮАО	Район Нагатино-Садовники
5	Каширское шоссе	112	106.0	ЮАО	Район Орехово-Борисово Южное
6	Каширское шоссе	112	105.0	ЮАО	Район Орехово-Борисово Северное
7	Кутузовский проспект	114	38.0	ЗАО	Район Дорогомилово
8	Кутузовский проспект	114	49.0	ЗАО	Район Фили-Давыдково
9	проспект Вернадского	132	44.0	ЗАО	Район Проспект Вернадского
10	проспект Вернадского	132	45.0	ЗАО	Район Раменки
11	проспект Вернадского	132	47.0	ЗАО	Район Тропарево-Никулино
12	проспект Вернадского	132	124.0	ЮЗАО	Район Гагаринский
13	проспект Вернадского	132	128.0	ЮЗАО	Ломоносовский район
14	Ленинский проспект	147	44.0	ЗАО	Район Проспект Вернадского
15	Ленинский проспект	147	47.0	ЗАО	Район Тропарево-Никулино
16	Ленинский проспект	147	99.0	ЮАО	Донской район
17	Ленинский проспект	147	124.0	ЮЗАО	Район Гагаринский
18	Ленинский проспект	147	128.0	ЮЗАО	Ломоносовский район
19	Ленинский проспект	147	129.0	ЮЗАО	Обручевский район
20	Ленинский проспект	147	131.0	ЮЗАО	Район Теплый Стан
21	Ленинский проспект	147	21.0	ЦАО	Район Якиманка
22	Варшавское шоссе	164	109.0	ЮАО	Район Чертаново Центральное
23	Варшавское шоссе	164	108.0	ЮАО	Район Чертаново Северное
24	Варшавское шоссе	164	110.0	ЮАО	Район Чертаново Южное
25	Варшавское шоссе	164	99.0	ЮАО	Донской район
26	Варшавское шоссе	164	102.0	ЮАО	Район Нагатино-Садовники
27	Варшавское шоссе	164	104.0	ЮАО	Нагорный район
28	Варшавское шоссе	164	130.0	ЮЗАО	Район Северное Бутово
29	Варшавское шоссе	164	133.0	ЮЗАО	Район Южное Бутово
30	Пресненская набережная	167	17.0	ЦАО	Пресненский район
31	Ленинградский проспект	171	54.0	САО	Район Аэропорт
32	Ленинградский проспект	171	55.0	САО	Район Беговой
33	Ленинградский проспект	171	69.0	САО	Хорошевский район
34	Ленинградский проспект	171	66.0	САО	Район Сокол
35	Профсоюзная улица	182	123.0	ЮЗАО	Академический район
36	Профсоюзная улица	182	132.0	ЮЗАО	Район Черемушки
37	Профсоюзная улица	182	134.0	ЮЗАО	Район Ясенево
38	Профсоюзная улица	182	126.0	ЮЗАО	Район Коньково
39	Профсоюзная улица	182	129.0	ЮЗАО	Обручевский район
40	Профсоюзная улица	182	131.0	ЮЗАО	Район Теплый Стан
41	проспект Мира	204	70.0	СВАО	Алексеевский район
42	проспект Мира	204	86.0	СВАО	Ярославский Район
43	проспект Мира	204	78.0	СВАО	Район Марьина роща
44	проспект Мира	204	79.0	СВАО	Останкинский район
45	проспект Мира	204	81.0	СВАО	Район Ростокино
46	проспект Мира	204	82.0	СВАО	Район Свиблово
47	проспект Мира	204	16.0	ЦАО	Мещанский район

			object_count
okrug	area	street
СВАО	Алексеевский район	проспект Мира	204
СВАО	Останкинский район	проспект Мира	204
ЦАО	Мещанский район	проспект Мира	204
СВАО	Ярославский Район	проспект Мира	204
	Район Свиблово	проспект Мира	204
	Район Ростокино	проспект Мира	204
	Район Марьина роща	проспект Мира	204
ЮЗАО	Академический район	Профсоюзная улица	182
	Обручевский район	Профсоюзная улица	182
	Район Ясенево	Профсоюзная улица	182
	Район Коньково	Профсоюзная улица	182
	Район Теплый Стан	Профсоюзная улица	182
	Район Черемушки	Профсоюзная улица	182
САО	Хорошевский район	Ленинградский проспект	171
	Район Сокол	Ленинградский проспект	171
	Район Беговой	Ленинградский проспект	171
	Район Аэропорт	Ленинградский проспект	171
ЦАО	Пресненский район	Пресненская набережная	167
ЮАО	Район Чертаново Северное	Варшавское шоссе	164
ЮЗАО	Район Северное Бутово	Варшавское шоссе	164
ЮЗАО	Район Южное Бутово	Варшавское шоссе	164
ЮАО	Район Чертаново Южное	Варшавское шоссе	164
	Район Чертаново Центральное	Варшавское шоссе	164
	Район Нагатино-Садовники	Варшавское шоссе	164
	Нагорный район	Варшавское шоссе	164
	Донской район	Варшавское шоссе	164
ЗАО	Район Проспект Вернадского	Ленинский проспект	147
ЦАО	Район Якиманка	Ленинский проспект	147
ЗАО	Район Тропарево-Никулино	Ленинский проспект	147
ЮЗАО	Район Теплый Стан	Ленинский проспект	147
ЮАО	Донской район	Ленинский проспект	147
ЮЗАО	Ломоносовский район	Ленинский проспект	147
	Район Гагаринский	Ленинский проспект	147
	Обручевский район	Ленинский проспект	147
ЗАО	Район Проспект Вернадского	проспект Вернадского	132
	Район Раменки	проспект Вернадского	132
	Район Тропарево-Никулино	проспект Вернадского	132
ЮЗАО	Район Гагаринский	проспект Вернадского	132
ЮЗАО	Ломоносовский район	проспект Вернадского	132
ЗАО	Район Фили-Давыдково	Кутузовский проспект	114
ЗАО	Район Дорогомилово	Кутузовский проспект	114
ЮАО	Район Нагатино-Садовники	Каширское шоссе	112
	Район Москворечье-Сабурово	Каширское шоссе	112
	Район Орехово-Борисово Южное	Каширское шоссе	112
	Район Орехово-Борисово Северное	Каширское шоссе	112
	Район Чертаново Южное	Кировоградская улица	110
	Район Чертаново Центральное	Кировоградская улица	110
	Район Чертаново Северное	Кировоградская улица	110

Рынок заведений общественного питания Москвы¶

Привет!

Оглавление ¶

Описание проекта ¶

Загрузка, предобработка и исследовательский анализ данных ¶

Анализ данных ¶

Соотношение типов объектов общественного питания по количеству ¶

Соотношение сетевых и несетевых заведений по количеству ¶

Среднее количество посадочных мест ¶

География московского общепита ¶

Выделение адреса¶

Топ-10 улиц по числу заведений¶

Улицы с одним заведением¶

Вывод ¶

Презентация ¶

	id	object_name	chain	object_type	address	number
0	151635	СМЕТАНА	нет	кафе	город Москва, улица Егора Абакумова, дом 9	48
1	77874	Родник	нет	кафе	город Москва, улица Талалихина, дом 2/1, корпус 1	35
2	24309	Кафе «Академия»	нет	кафе	город Москва, Абельмановская улица, дом 6	95
3	21894	ПИЦЦЕТОРИЯ	да	кафе	город Москва, Абрамцевская улица, дом 1	40
4	119365	Кафе «Вишневая метель»	нет	кафе	город Москва, Абрамцевская улица, дом 9, корпус 1	50

	id	object_name	chain	object_type	address	number
2869	25031	LALTRO BOSCO	нет	ресторан	город Москва, улица Петровка, дом 10	145
13858	209723	LALTRO BOSCO	нет	ресторан	город Москва, улица Петровка, дом 10	145
5059	20021	LIFT	нет	кафе	город Москва, Багратионовский проезд, дом 7, к...	20
5069	20025	LIFT	нет	кафе	город Москва, Багратионовский проезд, дом 7, к...	10
5067	20023	LIFT	нет	кафе	город Москва, Багратионовский проезд, дом 7, к...	10
...	...	...	...	...	...	...
14119	222452	Шаурма	нет	предприятие быстрого обслуживания	город Москва, улица Сущёвский Вал, дом 5, стро...	1
10750	173706	Шаурма	нет	предприятие быстрого обслуживания	город Москва, Бескудниковский бульвар, дом 12	0
11520	183275	Шаурма	нет	предприятие быстрого обслуживания	город Москва, Ореховый бульвар, дом 14, корпус...	0
14376	217108	Шурма	нет	предприятие быстрого обслуживания	город Москва, Ярцевская улица, дом 25А	0
14379	217555	Шурма	нет	предприятие быстрого обслуживания	город Москва, Ярцевская улица, дом 25А	0

	chain
object_type
бар	0.043224
буфет	0.018803
закусочная	0.155556
кафе	0.228890
кафетерий	0.130653
магазин (отдел кулинарии)	0.285714
предприятие быстрого обслуживания	0.411336
ресторан	0.238074
столовая	0.001160

	object_name	id	number	category
0	KFC	155	55.341935	много заведений/много мест
1	Шоколадница	141	56.170213	много заведений/много мест
2	Макдоналдс	122	81.500000	много заведений/много мест
3	Бургер Кинг	122	45.016393	много заведений/много мест
4	Домино'с Пицца	86	18.209302	много заведений/ мало мест

	category
category
мало заведений / мало мест	331
мало заведений / много мест	353
много заведений/ мало мест	23
много заведений/много мест	17

	object_type	number
0	столовая	130.2
1	ресторан	96.8
2	буфет	51.1
3	бар	43.5
4	кафе	39.7
5	предприятие быстрого обслуживания	20.6
6	кафетерий	9.1
7	закусочная	7.6
8	магазин (отдел кулинарии)	5.6

	id	object_name	chain	object_type	address	number	street
0	151635	СМЕТАНА	несетевые	кафе	город Москва, улица Егора Абакумова, дом 9	48	улица Егора Абакумова
1	77874	Родник	несетевые	кафе	город Москва, улица Талалихина, дом 2/1, корпус 1	35	улица Талалихина
2	24309	Кафе «Академия»	несетевые	кафе	город Москва, Абельмановская улица, дом 6	95	Абельмановская улица
3	21894	ПИЦЦЕТОРИЯ	сетевые	кафе	город Москва, Абрамцевская улица, дом 1	40	Абрамцевская улица
4	119365	Кафе «Вишневая метель»	несетевые	кафе	город Москва, Абрамцевская улица, дом 9, корпус 1	50	Абрамцевская улица
...	...	...	...	...	...	...	...
15361	208537	Шоколадница	сетевые	кафе	город Москва, 3-й Крутицкий переулок, дом 18	50	3-й Крутицкий переулок
15362	209264	Шоколадница	сетевые	кафе	город Москва, улица Земляной Вал, дом 33	10	улица Земляной Вал
15363	209186	Шоколадница	сетевые	кафе	город Москва, улица Земляной Вал, дом 33	20	улица Земляной Вал
15364	221900	Шоколадница	сетевые	кафе	город Москва, поселение Московский, Киевское ш...	36	Киевское шоссе
15365	222535	Шоколадница	сетевые	кафе	город Москва, Ходынский бульвар, дом 4	10	Ходынский бульвар

	object_name	chain	object_type	address	latitude	longitude
0	Кафе «Андерсон»	сетевое	кафе	город Москва, Варшавское шоссе, дом 2	55.699949	37.619977
1	Кафе «Subway»	сетевое	кафе	город Москва, Варшавское шоссе, дом 7, корпус 1	55.700888	37.622402
2	Кафе «Ламаджо»	несетевое	кафе	город Москва, Варшавское шоссе, дом 29	55.692722	37.622342
3	Шаурма в пите	несетевое	предприятие быстрого обслуживания	город Москва, Варшавское шоссе, дом 72, корпус 2	55.656813	37.618777
4	Выпечка	несетевое	кафетерий	город Москва, Варшавское шоссе, дом 100	55.645996	37.618901

	street	object_count
1348	улица Пржевальского	1
1349	1-й Кирпичный переулок	1
1350	улица Кухмистерова	1
1351	улица Корнея Чуковского	1
1352	улица Кутузова	1

	street	object_count	areaid	okrug	area
0	улица Пржевальского	1	50.0	ЗАО	Район Очаково-Матвеевское
1	1-й Кирпичный переулок	1	36.0	ВАО	Район Соколиная Гора
2	улица Кухмистерова	1	118.0	ЮВАО	Район Печатники
3	улица Корнея Чуковского	1	NaN	ЗАО	Район Внуково
4	улица Кутузова	1	41.0	ЗАО	Можайский Район

	street	area_count
409	Хавская улица	3
282	Нарвская улица	3
39	11-я Парковая улица	3
323	Полевая улица	3
484	улица Достоевского	3
113	8-я улица Соколиной Горы	2
310	Перовский проезд	2
521	улица Павла Андреева	2
129	Балтийская улица	2
249	Малая Тульская улица	2

	area	count
0	Таганский район	28
1	Район Хамовники	26
2	Басманный район	26
3	Тверской район	21
4	Пресненский район	20
5	Район Марьина роща	19
6	Район Арбат	17
7	Мещанский район	17
8	Район Сокольники	15
9	Район Замоскворечье	14

Рынок заведений общественного питания Москвы¶

Привет!

Оглавление¶

Описание проекта ¶

Загрузка, предобработка и исследовательский анализ данных ¶

Анализ данных ¶

Соотношение типов объектов общественного питания по количеству¶

Соотношение сетевых и несетевых заведений по количеству¶

Среднее количество посадочных мест¶

География московского общепита ¶

Выделение адреса¶

Топ-10 улиц по числу заведений¶

Улицы с одним заведением¶

Вывод ¶

Презентация¶

Оглавление ¶

Соотношение типов объектов общественного питания по количеству ¶

Соотношение сетевых и несетевых заведений по количеству ¶

Среднее количество посадочных мест ¶

Презентация ¶